CN110766248A - 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 - Google Patents

基于shel和区间直觉模糊评价的车间人因可靠性评估方法 Download PDF

Info

Publication number
CN110766248A
CN110766248A CN201810835106.1A CN201810835106A CN110766248A CN 110766248 A CN110766248 A CN 110766248A CN 201810835106 A CN201810835106 A CN 201810835106A CN 110766248 A CN110766248 A CN 110766248A
Authority
CN
China
Prior art keywords
interval
evaluation
risk
human
fuzzy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810835106.1A
Other languages
English (en)
Other versions
CN110766248B (zh
Inventor
于海斌
徐皑冬
闫炳均
胡波
王志平
冮明旭
王锴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Institute of Automation of CAS
Original Assignee
Shenyang Institute of Automation of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN201810835106.1A priority Critical patent/CN110766248B/zh
Publication of CN110766248A publication Critical patent/CN110766248A/zh
Application granted granted Critical
Publication of CN110766248B publication Critical patent/CN110766248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，属于智能制造领域。包括以下步骤：成立评估小组，建立数字化车间人因分析的SHEL模型；应用加权算子得到风险因素主观和客观权重向量表；计算数字化车间人因失效模式的区间直觉模糊风险评价数据集；构建数字化车间人因失效模式的权健区间直觉模糊正理想和区间直觉模糊负理想；分别计算区间直觉模糊正理想和区间负理想的距离，计算每个失效模式与区间直觉模糊正理想的相对贴进度；结合各人因失效模式风险的量化指标，评估和评价数字化车间人因可靠性水平。本方法提高了直觉模糊集处理不确定信息的能力，能更加准确的对数字化车间的人因差错故障进行评估，有很好的应用前景。

Description

基于SHEL和区间直觉模糊评价的车间人因可靠性评估方法
技术领域
本发明涉及智能制造领域，具体地说是基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法。
背景技术
随着计算机和控制技术的发展，制造车间逐步向数字化发展，仪表和控制系统从模拟控制发展为数字化控制，新技术的引入改变了信息显示方式、规程、人员控制等影响因素，由此带来数字化车间新的人因可靠性问题。
随着国家《中国制造2025》实施，智能制造技术越来越受到国家重视，针对制造业的数字化车间和数字化系统大量建设和使用，新的制造科学技术不断涌现，在这个背景下，随着数字化设备的普及使用，数字化车间人与仪表和控制系统的交互越来越复杂，人的角色从操作者逐渐转变到监控、决策和管理者，多方面共同作用使人因失误出现了新的特征。
数字化车间中控制系统日益进入高风险系统，应用环境的变化改变了操作员的认知和行为方式，使传统的人因失误模型难以体现真实情境下的人的认知和行为过程，需发展新的认知模型来满足新的分析要求。
应用环境的变化使得传统的分析方法难以满足先进的数字化车间中人因可靠性的要求，故需建立一种满足数字化车间特征的人因可靠性定量分析方法，对传统的人因失误风险的评价方法进行改进，通过引入直觉模糊集理论考虑因子的相对权重，使评价更为合理，考虑到评估的主观性、模糊性和不确定性，建立基于SHEL和直觉模糊评价的方法，提出人因失误风险评价流程，为数字化车间人因失误风险的预测提供可靠的和有效的方法支持。
由于数字化车间系统的复杂性、操作主体的异质性等因素的影响，存在一定犹豫度，用区间直觉模糊数来表示主体信息是一种可行的方法。本文针对数字化车间分风险评估问题构建基于区间直觉模糊的计算模型，通过不同配置方案与理想点的相对接近度对配置方案进行优化排序，并在专家权重设定时，采用基于关联度的主观权重与基于专家评价矩的客观权重相结合的方法，对数字化车间人因可靠性评估方法进行优化。
在专利“CN106600077 A一种模糊TOPSIS评价方法”中，作者通过模糊控制的方法将专家的评价信息进行模糊化，并结合专家信息贡献的权重计算欧拉距离，并进行贴进度的排序，该方法针对专家信息处理方面过于简单，没有考虑到人员参与决策中人员的犹豫性，导致评估结果的不准确。
通过直觉模糊集的方法实现多属性的决策已经有人在应用，在专利“CN104812027A基于直觉模糊集多属性决策的网络选择方法”中，作者通过总的离差和各属性的权重，通过IFWA算子计算网络的最优路径，该专利通过梯形模糊数集得到隶属函数，不能将人主观的决策因素考虑进去，影响最终的评价结果。在专利“CN107015526 A基于直觉模糊多属性决策的智能数控系统风险评估方法”，提出基于直觉模糊进行数控机床系统的风险评估，针对于数字化车间的风险评估，该评估方法有其缺陷和局限性,所定义的风险评估中的评价值是确定的直觉模糊值，并没有考虑犹豫度对风险评估准确度的影响，相当于是把区间数转化为确定数,有可能造成重要信息的丢失。
针对上述专利存在的问题，本文提出了基于区间直觉模糊评价的数字化车间人因可靠性评估方法，将区间直觉模糊集理论的隶属度、非隶属度以及犹豫度扩展成区间数,提高了直觉模糊集处理不确定信息的能力，能更加准确的对数字化车间的人因差错故障进行评估。
发明内容
针对现有技术的不足，本发明提供基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，首先基于SHEL模型构建数字化车间分人因差错风险模式，成立风险评估小组，并结合将区间直觉模糊集理论的隶属度、非隶属度以及犹豫度扩展成风险评价值区间数,通过每个失效模式与区间直觉模糊正理想的相对贴进度进行风险评价，该方法通过模糊区间的设计，提高了直觉模糊集处理不确定信息的能力，能很好的对数字化车间的人因差错故障进行评估。
本发明为实现上述目的所采用的技术方案：基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，包括以下步骤：
步骤S101：成立评估小组，建立数字化车间人因分析的SHEL模型，确定人因差错失效模式及其风险评价因子；
步骤S102：聚合评估小组评价信息，使用加权算子，计算数字化车间人因差错失效模式的区间直觉模糊评价数据集，得到风险评价因子的权重评价；
步骤S103：依据评估专家小组成员的经验程度，使用加权算子对专家小组成员的风险评价因子的权重评价进行集成，得到风险因素主观权重和客观权重；
步骤S104：构建数字化车间人因失效模式的区间直觉模糊正理想和区间直觉模糊负理想；
步骤S105：根据风险因素主观权重和客观权重，分别计算各失效模式到区间直觉模糊正理想的距离Di +和区间负理想的距离Di -,并计算每个失效模式与区间直觉模糊正理想的相对贴进度；
步骤S106：根据贴进度评估数字化车间人因可靠性。
在步骤S101中，SHEL模型的4个系统包括L-S、L-H、L-E、L-L，其中L-S表示数字化车间任何软件环节，L-H表示人和数字化车间硬件环节，L-E表示人和数字化车间环境环节，L-L表示人和人的环节。
在步骤S101中，人因差错失效模式的风险评价因子：
人因差错失效模式的风险评价因子＝严重程度Se*(暴露频率和持续时间Fr+发生概率Pr+避免或限制伤害的概率Av)。
在步骤S102中，评估小组人员数为m位，成员的权重为λn,n＝1,2,3...,m且
Figure BDA0001744364720000031
k个失效模式，4个风险因子，记第n个小组成员对第i个失效模式的第j个风险因素的区间直觉模糊数为
Figure BDA0001744364720000032
其中
Figure BDA0001744364720000033
为属于该模式的模糊隶属度，为不属于该模式的隶属度，将直觉模糊集中的隶属度和非隶属度由实数值扩展到区间值，得到区间直觉模糊评价数据集
Figure BDA0001744364720000041
为闭区间，且
Figure BDA0001744364720000043
Figure BDA0001744364720000044
为闭区间，且
Figure BDA0001744364720000045
且
Figure BDA0001744364720000046
评估小组对第i个失效模式的第j个风险因子的评价为
Figure BDA0001744364720000047
得到针对于第j个风险因子的权重评价为
Figure BDA0001744364720000048
在步骤S103中，第j个风险因素的权重评价为ηj，通过区间直觉模糊评价数据集的得分函数，通过加权算子得到主观权重得到客观权重
Figure BDA00017443647200000410
其中πj为客观权重的判别因子，且
Figure BDA00017443647200000411
Figure BDA00017443647200000412
为区间直觉模糊评价数据集的得分函数。
在步骤S104中，建立区间直觉模糊正理想区间直觉模糊正理想和区间直觉模糊负理想
Figure BDA00017443647200000414
其中
Figure BDA00017443647200000415
表示失效模式关于风险因素的最优水平，
Figure BDA00017443647200000416
表示失效模式关于风险因素的最差水平。
在步骤S105中，分别计算各失效模式到区间直觉模糊正理想距离
Figure BDA00017443647200000417
和和负理想的距离d(x,y)为两个区间直觉模糊集x和y之间的距离，
Figure BDA00017443647200000419
为加权因子，
Figure BDA00017443647200000420
和
Figure BDA00017443647200000421
为直觉模糊集中针对于第j个风险因素的正理想和负理想，得到
Figure BDA00017443647200000423
计算每个失效模式与区间直觉模糊正理想的相对贴进度
Figure BDA00017443647200000424
其中
在步骤S106中，根据大小对失效模式风险进行排序，
Figure BDA0001744364720000053
越小表示风险越大。
基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，用于机器人制造的数字化车间。
本发明具有以下有益效果及优点：
1.本发明针对数字化车间人因差错失效的模式，结合SHEL模型，构建针对数字化车间的人因失效模型，并结合失效模式对人因失效原因和影响进行分析，结合模糊集数据处理的方法对失效的风险进行定量的计算，从而能够实现数字化车间人因差错的定量评估。
2、本发明结合区间直觉模糊集理论和方法，将区间模糊集引入到数字化车间的风险评估的定量计算中，将直觉模糊集的隶属度、非隶属度以及犹豫度扩展成区间数,提高了直觉模糊集处理不确定信息的能力，能更加准确的对数字化车间的人因差错故障进行评估。
3、本方法解决了人因差错失效量化不准确的问题，将区间模糊集引入到数字化车间的风险评估的定量计算中，提高了直觉模糊集处理不确定信息的能力，能更加准确的对数字化车间的人因差错故障进行评估，有很好的应用前景。
附图说明
图1是本发明的数字化车间人因可靠性评估方法流程；
图2是本发明的实施示例构建的某数字化车间的某加工工位的SHEL模型；
具体实施方式
下面结合附图对本发明做进一步的详细说明。
基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，包括以下步骤，如图1所示：
步骤S101：成立评估小组，建立数字化车间人因分析的SHEL模型，识别人因差错的潜在失效模式，确定人因失效的风险评价因子和定量的评价算法；
在步骤针S101中，针对数字化车间精细化程度高，对人失误控制严格的特点，建立数字化车间SHEL可靠性模型，确定SHEL模型的4个系统：L-S、L-H、L-E、L-L，其中L-S表示任何软件环节，L-H表示人和硬件环节，L-E表示人和环境环节，L-L表示人和人的环节，针对上述环节确定人因差错失效模式。本实施例中，硬件可以是对车间内设备、控制软件、管理平台、操作平台、运输装置等装备或软件的可操作性和适应性的描述信息，环境可以是通过车间内设备、传感器反馈的环境信息。
在建立数字化车间SHEL模型和失效模式的基础上，确定人因失效的风险评价因子，针对传统的数字化车间定性风险评价方法，建立改进的风险评价定量算法。
风险评价因子＝严重程度Se*(暴露频率和持续时间Fr+发生概率Pr+避免或限制伤害的概率Av)；
其中，Se、Fr、Pr、Av分别根据车间实际运行中设备对人员伤害的历史数据并结合相关的法律法规，由经验丰富的行业专家通过讨论的方式设定。
步骤S102：聚合小组评价信息，使用加权算子，计算数字化车间人因失效模式的区间直觉模糊风险评价数据集；
假设评估小组人员数为m位，成员的权重为λn,(n＝1,2,3...,m且
Figure BDA0001744364720000061
)，最终决定i个失效模式，记第n个小组成员对第i各失效模式的第j个风险因素的区间直觉模糊数为
Figure BDA0001744364720000062
其中
Figure BDA0001744364720000063
为属于该模式的模糊隶属度，为不属于该模式的隶属度，将直觉模糊集中的隶属度和非隶属度由实数值扩展到区间值，可以得到
Figure BDA0001744364720000065
Figure BDA0001744364720000066
为闭区间，且
Figure BDA0001744364720000067
Figure BDA0001744364720000068
为闭区间，且
Figure BDA0001744364720000069
，且则评价小组对第i各失效模式的第j个风险因素的评价数据集为
Figure BDA00017443647200000611
同样可以得到针对于第j个风险因素的评价为
Figure BDA00017443647200000612
步骤S103：依据评估专家小组成员的经验程度，使用加权算子对专家小组成员风险因素权重进行集成，得到风险因素主观和客观权重向量表；
风险因素的主观权重通过价全算在对小组成员打分进行处理得到，对于第j个风险因素的评价为ηj，通过区间直觉模糊集的得分函数，通过加权算子得到主观权重得到客观权重且
Figure BDA0001744364720000073
其中，πj为第j各风险因素的客观权重因子，
Figure BDA0001744364720000074
为区间直觉模糊集的得分函数。
步骤S104：结合失效模式风险因素的最优控制策略，构建数字化车间人因失效模式的区间直觉模糊正理想和区间直觉模糊负理想；
建立基于改进风险评价定量算法的区间直觉模糊正理想
Figure BDA0001744364720000075
和区间直觉模糊负理想
Figure BDA0001744364720000076
其中
Figure BDA0001744364720000077
表示失效模式关于风险因素的最优水平，
Figure BDA0001744364720000079
Figure BDA00017443647200000710
表示失效模式关于风险因素的最差水平。
步骤S105：分别计算各失效模式到区间直觉模糊正理想和区间负理想的距离
Figure BDA00017443647200000711
和
Figure BDA00017443647200000712
并计算每个失效模式与区间直觉模糊正理想的相对贴进度
Figure BDA00017443647200000713
分别计算各失效模式到区间直觉模糊正理想和负理想的距离
Figure BDA00017443647200000714
和
Figure BDA00017443647200000715
d(x,y)为两个区间直觉模糊集之间的距离，和
Figure BDA00017443647200000717
为直觉模糊集中针对于第j各个风险因素的正理想和负理想，
Figure BDA00017443647200000718
为加权因子，得到
Figure BDA00017443647200000719
Figure BDA00017443647200000720
计算每个失效模式与区间直觉模糊正理想的相对贴进度Ri +,其中
Figure BDA0001744364720000081
步骤S106：结合各人因失效模式风险的量化指标，评估和评价数字化车间人因可靠性水平。
根据
Figure BDA0001744364720000082
大小对失效模式风险进行排序，
Figure BDA0001744364720000083
越小表示风险越大，针对上述风险的评价结果，评估专家组会结合现有的法规或行业标准，对风险逐个给出相应的降低措施，以满足企业对风险管控的要求。
下面结合实施例对本对发明做进一步详细的描述。
针对国内某机器人制造的数字化车间的某个装配工位，在该工位中既有机器人参与的自动装配，也有人员进行的手动装配，风险因素较多，在进行人因可靠性评估时，首先成立评估小组，选择5名成员作为评估专家，确定SHEL的4个系统(L-S，L-H，L-E，L-L)，建立机器人制造的数字化车间SHEL模型，如图2所示。
通过车间内(温度、湿度、压力、声音等)传感器采集环境信息，并确定设备和工具的合适度，根据环境信息、设备和工具的合适度、车间人员信息建立SHEL模型。在该模型中，SHEL模型输入阶段包括设备信息和人员信息，设备信息包括环境和硬件对操作员的影响，人员信息包括软件和相关人员对操作员的影响，在模型输出部分，通过设备数据和设备故障信息的输出，能够对专家的评估起到指导作用。
针对上述模型，确定所述系统的人因差错失效模式，以典型的5个失效模式为例进行人因差错失效分析，人因差错失效模式下如表1所示。
表1
针对该工位5个典型的失效模式，确定失效模式的评价因子严重程度Se、暴露频率和持续时间Fr、发生概率Pr和避免或限制伤害的概率Av。
所选择的5名评估专家的权重分别为0.25,.02,0.15,0.25和0.15，按照加权算子，得到数字化车间人因失效模式的区间直觉模糊风险评价表，如表2所示。
表2
Figure BDA0001744364720000091
风险因素的权重定义为0.5,0.1,0.3和0.1，结合风险因素的权重计算方法，计算风险因素主观权重和客观权重向量为：ω＝(0.128,0.347,0.215,0.31)T和
Figure BDA0001744364720000092
确定区间模糊集的正理想
Figure BDA0001744364720000093
和负理想
Figure BDA0001744364720000094
取
Figure BDA0001744364720000095
计算各失效模式到区间直觉模糊正理想和区间负理想的距离和
Figure BDA0001744364720000097
并计算每个失效模式与区间直觉模糊正理想的相对贴进度如表3：
表3
Figure BDA0001744364720000099
针对国内某机器人制造的数字化车间，我们得到所评估的工位人因失效模式风险的排序为A1>A2>A4>A3>A5，因此通过上述优先控制顺序来降低人因差错的产生，通过对SHEL模型中各系统不合理的部分进行改进，降低数字化车间人因差错的产生，实现对数字化车间人因可靠性的准确评估。

Claims (9)

1.基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于，包括以下步骤：
步骤S101：成立评估小组，建立数字化车间人因分析的SHEL模型，确定人因差错失效模式及其风险评价因子；
步骤S102：聚合评估小组评价信息，使用加权算子，计算数字化车间人因差错失效模式的区间直觉模糊评价数据集，得到风险评价因子的权重评价；
步骤S103：依据评估专家小组成员的经验程度，使用加权算子对专家小组成员的风险评价因子的权重评价进行集成，得到风险因素主观权重和客观权重；
步骤S104：构建数字化车间人因失效模式的区间直觉模糊正理想和区间直觉模糊负理想；
步骤S105：根据风险因素主观权重和客观权重，分别计算各失效模式到区间直觉模糊正理想的距离
Figure FDA0001744364710000011
和区间负理想的距离并计算每个失效模式与区间直觉模糊正理想的相对贴进度；
步骤S106：根据贴进度评估数字化车间人因可靠性。
2.根据权利要求1所述的基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于：在步骤S101中，SHEL模型的4个系统包括L-S、L-H、L-E、L-L，其中L-S表示数字化车间任何软件环节，L-H表示人和数字化车间硬件环节，L-E表示人和数字化车间环境环节，L-L表示人和人的环节。
3.根据权利要求1所述的基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于：在步骤S101中，人因差错失效模式的风险评价因子：
人因差错失效模式的风险评价因子＝严重程度Se*(暴露频率和持续时间Fr+发生概率Pr+避免或限制伤害的概率Av)。
4.根据权利要求1所述的基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于：在步骤S102中，评估小组人员数为m位，成员的权重为λn,n＝1,2,3...,m且
Figure FDA0001744364710000021
k个失效模式，4个风险因子，记第n个小组成员对第i个失效模式的第j个风险因素的区间直觉模糊数为
Figure FDA0001744364710000022
其中为属于该模式的模糊隶属度，
Figure FDA0001744364710000024
为不属于该模式的隶属度，将直觉模糊集中的隶属度和非隶属度由实数值扩展到区间值，得到区间直觉模糊评价数据集
Figure FDA0001744364710000025
Figure FDA0001744364710000026
为闭区间，且
Figure FDA0001744364710000027
Figure FDA0001744364710000028
为闭区间，且且
Figure FDA00017443647100000210
评估小组对第i个失效模式的第j个风险因子的评价为
Figure FDA00017443647100000211
得到针对于第j个风险因子的权重评价为
Figure FDA00017443647100000212
5.根据权利要求1所述的基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于：在步骤S103中，第j个风险因素的权重评价为ηj，通过区间直觉模糊评价数据集的得分函数，通过加权算子得到主观权重
Figure FDA00017443647100000213
得到客观权重
Figure FDA00017443647100000214
其中πj为客观权重的判别因子，且
Figure FDA00017443647100000215
Figure FDA00017443647100000216
为区间直觉模糊评价数据集的得分函数。
6.根据权利要求1所述的基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于：在步骤S104中，建立区间直觉模糊正理想区间直觉模糊正理想
Figure FDA00017443647100000217
和区间直觉模糊负理想
Figure FDA00017443647100000218
其中
Figure FDA00017443647100000219
表示失效模式关于风险因素的最优水平，
Figure FDA00017443647100000220
表示失效模式关于风险因素的最差水平。
7.根据权利要求1所述的基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于：在步骤S105中，分别计算各失效模式到区间直觉模糊正理想距离和和负理想的距离
Figure FDA00017443647100000222
d(x,y)为两个区间直觉模糊集x和y之间的距离，为加权因子，
Figure FDA00017443647100000224
和
Figure FDA00017443647100000225
为直觉模糊集中针对于第j个风险因素的正理想和负理想，得到
Figure FDA0001744364710000031
Figure FDA0001744364710000032
计算每个失效模式与区间直觉模糊正理想的相对贴进度其中
Figure FDA0001744364710000034
8.根据权利要求1所述的基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于：在步骤S106中，根据
Figure FDA0001744364710000035
大小对失效模式风险进行排序，
Figure FDA0001744364710000036
越小表示风险越大。
9.根据权利要求1所述的基于SHEL和区间直觉模糊评价的数字化车间人因可靠性评估方法，其特征在于，用于机器人制造的数字化车间。
CN201810835106.1A 2018-07-26 2018-07-26 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 Active CN110766248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810835106.1A CN110766248B (zh) 2018-07-26 2018-07-26 基于shel和区间直觉模糊评价的车间人因可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810835106.1A CN110766248B (zh) 2018-07-26 2018-07-26 基于shel和区间直觉模糊评价的车间人因可靠性评估方法

Publications (2)

Publication Number Publication Date
CN110766248A true CN110766248A (zh) 2020-02-07
CN110766248B CN110766248B (zh) 2023-12-01

Family

ID=69327491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810835106.1A Active CN110766248B (zh) 2018-07-26 2018-07-26 基于shel和区间直觉模糊评价的车间人因可靠性评估方法

Country Status (1)

Country Link
CN (1) CN110766248B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111913456A (zh) * 2020-08-13 2020-11-10 成都信息工程大学 面向制造任务的云制造虚拟车间构造方法
CN112184075A (zh) * 2020-10-29 2021-01-05 西南交通大学 一种可持续供应链风险分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040236676A1 (en) * 2003-03-14 2004-11-25 Kabushiki Kaisha Toshiba Disaster risk assessment system, disaster risk assessment support method, disaster risk assessment service providing system, disaster risk assessment method, and disaster risk assessment service providing method
JP2005141334A (ja) * 2003-11-04 2005-06-02 Toshiba Solutions Corp 災害リスク評価システム、災害リスク評価サービス提供システム、災害リスク評価方法、災害リスク評価支援方法及び災害リスク評価サービス提供方法
CN107015526A (zh) * 2017-03-09 2017-08-04 厦门万久科技股份有限公司 基于直觉模糊多属性决策的智能数控系统风险评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040236676A1 (en) * 2003-03-14 2004-11-25 Kabushiki Kaisha Toshiba Disaster risk assessment system, disaster risk assessment support method, disaster risk assessment service providing system, disaster risk assessment method, and disaster risk assessment service providing method
JP2005141334A (ja) * 2003-11-04 2005-06-02 Toshiba Solutions Corp 災害リスク評価システム、災害リスク評価サービス提供システム、災害リスク評価方法、災害リスク評価支援方法及び災害リスク評価サービス提供方法
CN107015526A (zh) * 2017-03-09 2017-08-04 厦门万久科技股份有限公司 基于直觉模糊多属性决策的智能数控系统风险评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李璇璇;刘子先;: "基于改进FMEA方法的医疗设备人因可靠性评估", 河北工业科技, no. 06, pages 496 - 502 *
杨翠云;章恒全;邹君媛;: "基于IFHA算子总承包联合体合作伙伴投影决策", 武汉理工大学学报(信息与管理工程版), no. 01, pages 603 - 607 *
陆莹;王艺琛;阚洁;张星;: "地铁运营人因失误影响因素辨识与分析", 中国科技论文, no. 19, pages 2276 - 2280 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111913456A (zh) * 2020-08-13 2020-11-10 成都信息工程大学 面向制造任务的云制造虚拟车间构造方法
CN111913456B (zh) * 2020-08-13 2023-06-16 成都信息工程大学 面向制造任务的云制造虚拟车间构造方法
CN112184075A (zh) * 2020-10-29 2021-01-05 西南交通大学 一种可持续供应链风险分析方法
CN112184075B (zh) * 2020-10-29 2022-04-22 西南交通大学 一种可持续供应链风险分析方法

Also Published As

Publication number Publication date
CN110766248B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN110196814B (zh) 一种软件质量评价方法
CN110222371B (zh) 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法
CN105740975A (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN112906764B (zh) 基于改进bp神经网络的通信安全设备智能诊断方法及系统
CN105303331A (zh) 一种变压器维修风险决策方法
CN104462718A (zh) 一种变电站经济运行年限区间评估方法
CN111124852A (zh) 一种基于bmc健康管理模块的故障预测方法及系统
CN110766248A (zh) 基于shel和区间直觉模糊评价的车间人因可靠性评估方法
CN110096723B (zh) 基于运维检测大数据的高压开关柜绝缘状态分析方法
CN111340516A (zh) 基于信息熵与变异系数融合算法的满意度评价系统及方法
CN116452154B (zh) 一种适用于通信运营商的项目管理系统
CN105741184B (zh) 一种变压器状态评估方法及装置
CN114757392A (zh) 基于博弈权重法的电网系统综合评价指标体系优化方法
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN111553581B (zh) 一种基于熵值的装备维修性评价模型
CN113505980A (zh) 智能交通管理系统可靠性评价方法、装置及系统
CN117435894A (zh) 一种基于云边协同的智能gis设备故障定位检测方法及系统
CN104598969A (zh) 一种基于神经网络的高压电器运行质量评估方法及系统
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
CN111091223A (zh) 一种基于物联网智能感知技术的配变短期负荷预测方法
CN112732773A (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
CN113052233A (zh) 基于大数据和神经网络的火电站设备故障预警系统及方法
Kerscher et al. A reliability model for total field incidents

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant